In [1]:
import pandas as pd
import os
os.environ["OMP_NUM_THREADS"] = "1"
import plotly.express as px
import plotly.graph_objects as go
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
import numpy as np
from scipy.stats import zscore
from scipy.cluster.hierarchy import linkage, dendrogram, fcluster
import plotly.figure_factory as ff
from scipy.cluster.hierarchy import linkage
import matplotlib.pyplot as plt
from sklearn.metrics import silhouette_score
import matplotlib.ticker as ticker
import plotly.graph_objects as go
In [2]:
pd.set_option('display.float_format', '{:,.2f}'.format)
In [3]:
df_volaille_brut = pd.read_csv("df_final.csv")
In [4]:
df_volaille_brut.head()
Out[4]:
Unnamed: 0 Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 0 Afghanistan 0.00 -2.79 4.16 2,956.80 57.00 0.00 29.00 55.00 2.00 28.00 57.00 36,296,113.00 2017 2.66 2.24
1 1 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23
2 2 Algérie 0.00 -0.92 1.00 13,805.40 277.00 0.00 2.00 264.00 13.00 275.00 277.00 41,389,189.00 2017 1.77 -1.56
3 3 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
4 4 Angola 0.01 -0.39 0.81 9,050.00 319.00 0.00 277.00 315.00 2.00 42.00 319.00 29,816,766.00 2017 3.32 2.80
In [5]:
df_volaille_brut = df_volaille_brut.drop(columns="Unnamed: 0")
In [6]:
len(df_volaille_brut)
Out[6]:
103
In [7]:
colonnes = [
    'PIB par habitant',
    'Disponibilité intérieure',
    'Exportations - Quantité',
    'Importations - Quantité',
    'Nourriture',
    'Pertes',
    'Production',
    'émission N2O / production',
    'Stabilité politique en 2017',
    'croissance du PIB en %',
    'Population',
    'croissance de la population en %',
    'croissance de la stabilité politique en %'
    
]

X = df_volaille_brut[colonnes]
X = X.replace([np.inf, -np.inf], np.nan)
X_clean = X.fillna(X.mean())
In [8]:
X_clean = X.fillna(X.mean())

scaler = StandardScaler()
X_std = scaler.fit_transform(X_clean)
In [9]:
scaled_df = pd.DataFrame(X_std, columns=colonnes)


scaled_df["émission N2O / production"] *= -1
In [10]:
pca_full = PCA().fit(X_std)
cum_var = np.cumsum(pca_full.explained_variance_ratio_)

plt.plot(range(1, len(cum_var)+1), cum_var, marker='o')
plt.xlabel("Nombre de composantes")
plt.ylabel("Variance cumulée")
plt.title("Variance expliquée cumulée (PCA)")
plt.grid(True)
plt.axhline(0.9, color='red', linestyle='--')
plt.show()
In [11]:
pca = PCA(n_components=8)
In [12]:
X_pca = pca.fit_transform(X_std)
In [ ]:
In [13]:
pc_columns = [f'PC{i+1}' for i in range(X_pca.shape[1])]
df_pca = pd.DataFrame(X_pca, columns=pc_columns)
df_pca['Zone'] = df_volaille_brut['Zone'].values
z_scores = df_pca[[f'PC{i}' for i in range(1, 4)]].apply(zscore)

df_pca_filtered = df_pca[(z_scores.abs() < 3).all(axis=1)]
df_pca_outliers = df_pca[(z_scores.abs() >= 3).any(axis=1)]
fig = px.scatter(
    df_pca_filtered,
    x='PC1',
    y='PC2',
    color='Zone',
    title='ACP - Plan factoriel (PC1 vs PC2)',
    labels={'PC1': 'Composante principale 1', 'PC2': 'Composante principale 2'},
    width=900,
    height=600
)

fig.update_traces(marker=dict(size=8))
fig.update_layout(legend_title_text='Zone')
fig.show()
In [14]:
df_pca_outliers
Out[14]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone
14 10.37 0.09 -4.00 -1.09 0.31 -2.36 0.28 0.04 Brésil
40 4.48 8.52 7.22 0.19 4.75 -0.08 0.60 -0.36 Inde
84 -1.48 2.19 -4.58 4.71 3.48 3.11 -0.13 3.41 Soudan
102 15.08 -1.28 -2.04 -1.35 -0.80 2.67 0.53 0.34 États-Unis d'Amérique
In [15]:
variance = pca.explained_variance_ratio_
print(f"Variance expliquée par PC1 : {variance[0]:.2%}")
print(f"Variance expliquée par PC2 : {variance[1]:.2%}")
print(f"Variance expliquée par PC3 : {variance[2]:.2%}")

Variance expliquée par PC1 : 31.76%
Variance expliquée par PC2 : 18.07%
Variance expliquée par PC3 : 12.46%
In [16]:
df_pca_filtered
Out[16]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone
0 -1.06 2.41 -1.37 0.14 -0.96 0.32 -0.97 -0.27 Afghanistan
1 0.87 -0.03 0.49 1.15 0.12 -0.28 -1.13 -0.62 Afrique du Sud
2 -0.70 0.57 -0.69 0.16 0.13 0.18 0.24 -0.71 Algérie
3 1.41 -2.33 1.50 0.94 -0.11 -0.30 -2.19 0.09 Allemagne
4 -0.71 0.06 -0.51 0.96 0.20 0.28 -0.51 -0.23 Angola
... ... ... ... ... ... ... ... ... ...
97 -0.97 0.53 -0.55 -0.28 -0.03 -0.07 0.23 0.53 Zambie
98 -0.97 1.00 -0.59 -0.47 -0.56 -0.14 -0.07 -0.02 Zimbabwe
99 -0.04 1.01 -0.63 0.29 -0.31 0.49 -0.43 -0.58 Égypte
100 -0.20 -2.70 0.18 1.92 1.79 0.67 -0.29 0.07 Émirats arabes unis
101 -0.80 0.17 -0.07 -0.32 -0.17 0.78 0.46 -0.22 Équateur

99 rows × 9 columns

In [17]:
loadings = pca.components_.T * np.sqrt(pca.explained_variance_)
cor_df = pd.DataFrame(loadings[:, :2], columns=['PC1', 'PC2'], index=colonnes).reset_index()
cor_df.rename(columns={'index': 'Variable'}, inplace=True)

fig = go.Figure()

angle = np.linspace(0, 2 * np.pi, 100)
fig.add_scatter(x=np.cos(angle), y=np.sin(angle), mode='lines',
                line=dict(color='lightgray', dash='dot'),
                name='Cercle unité', showlegend=False)

for _, row in cor_df.iterrows():
    fig.add_scatter(x=[0, row['PC1']], y=[0, row['PC2']],
                    mode='lines+text',
                    text=[None, row['Variable']],
                    textposition='top center',
                    line=dict(width=2),
                    showlegend=False)

fig.update_layout(
    title='Cercle des corrélations - ACP',
    width=700, height=700,
    xaxis=dict(title='Composante principale 1', range=[-1.1, 1.1], zeroline=True),
    yaxis=dict(title='Composante principale 2', range=[-1.1, 1.1], zeroline=True),
    shapes=[
        dict(type='line', x0=-1, y0=0, x1=1, y1=0, line=dict(color='gray')),
        dict(type='line', x0=0, y0=-1, x1=0, y1=1, line=dict(color='gray'))
    ]
)

fig.show()
In [18]:
loadings_3d = loadings[:, [0, 1, 2]]
cor_df = pd.DataFrame(loadings_3d, columns=['PC1', 'PC2', 'PC3'], index=colonnes).reset_index()
cor_df.rename(columns={'index': 'Variable'}, inplace=True)


fig = go.Figure()

for _, row in cor_df.iterrows():
    fig.add_trace(go.Scatter3d(
        x=[0, row['PC1']],
        y=[0, row['PC2']],
        z=[0, row['PC3']],
        mode='lines+text',
        text=[None, row['Variable']],
        textposition='top center',
        name=row['Variable'],
        line=dict(width=4)
    ))


fig.update_layout(
    scene=dict(
        xaxis_title='PC1',
        yaxis_title='PC2',
        zaxis_title='PC3',
        xaxis=dict(range=[-1.1, 1.1]),
        yaxis=dict(range=[-1.1, 1.1]),
        zaxis=dict(range=[-1.1, 1.1]),
    ),
    title='Sphère des corrélations - ACP (PC1, PC2, PC3)',
    width=800,
    height=800
)

fig.show()
In [19]:
df_pca_filtered = df_pca[(z_scores.abs() < 3).all(axis=1)]

df_pca['Zone'] = df_volaille_brut['Zone'].values  

fig = px.scatter_3d(
    df_pca_filtered,
    x='PC1',
    y='PC2',
    z='PC3',
    color='Zone',
    title='ACP - Projection 3D des individus (PC1, PC2, PC3)',
    labels={
        'PC1': 'Composante principale 1',
        'PC2': 'Composante principale 2',
        'PC3': 'Composante principale 3'
    },
    width=900,
    height=700
)

fig.update_traces(marker=dict(size=5))
fig.update_layout(legend_title_text='Zone')
fig.show()
In [20]:
Z = linkage(X_std, method='ward')


k = 5
labels = fcluster(Z, k, criterion='maxclust')
df_cluster = pd.DataFrame()

plt.figure(figsize=(12, 6))
dendrogram(Z, truncate_mode='lastp', p=30, show_leaf_counts=True, leaf_rotation=90, leaf_font_size=10)
plt.title("Dendrogramme tronqué (30 derniers clusters fusionnés)")
plt.ylabel("Distance")
plt.tight_layout()
plt.show()
In [ ]:
In [21]:
os.environ["OMP_NUM_THREADS"] = "1"
inerties = []
k_range = range(1, 11)

for k in k_range:
    X = X.replace([np.inf, -np.inf, np.nan], 0)
    kmeans = KMeans(n_clusters=k, n_init=10, random_state=42)
    kmeans.fit(X)
    inerties.append(kmeans.inertia_)

plt.figure(figsize=(8, 4))
plt.plot(k_range, inerties, marker='o')
plt.title("Méthode du coude")
plt.xlabel("Nombre de clusters (k)")
plt.ylabel("Inertie intra-cluster")
plt.grid(True)
plt.show()
In [22]:
range_k = range(2, 11)  # k doit être ≥ 2
scores = []

# Utiliser les données filtrées par PCA
for k in range_k:
    kmeans = KMeans(n_clusters=k, n_init=10, random_state=42)
    labels = kmeans.fit_predict(df_pca_filtered[pc_columns])
    
    # Calcul du silhouette score
    score = silhouette_score(df_pca_filtered[pc_columns], labels)
    scores.append(score)
    print(f"k = {k}, silhouette = {score:.4f}")

k = 2, silhouette = 0.2829
k = 3, silhouette = 0.2833
k = 4, silhouette = 0.2823
k = 5, silhouette = 0.3057
k = 6, silhouette = 0.2532
k = 7, silhouette = 0.2568
k = 8, silhouette = 0.2331
k = 9, silhouette = 0.2342
k = 10, silhouette = 0.2706
In [23]:
plt.figure(figsize=(8, 4))
plt.plot(range_k, scores, marker='o')
plt.title("Méthode du silhouette")
plt.xlabel("Nombre de clusters (k)")
plt.ylabel("Score de silhouette")
plt.grid(True)
plt.show()
In [24]:
kmeans = KMeans(n_clusters=5, random_state=42, n_init=10)
clusters = kmeans.fit_predict(df_pca_filtered[pc_columns])
df_pca_filtered['Cluster'] = pd.Categorical(clusters)

cluster_colors = {
    0: "#e41a1c",  # rouge
    1: "#377eb8",  # bleu
    2: "#4daf4a",  # vert
    3: "#984ea3",  # violet
    4: "#ff7f00"   # orange
}

fig = px.scatter(
    df_pca_filtered,
    x='PC1',
    y='PC2',
    color='Cluster',
    hover_name='Zone',
    title='ACP + Clustering K-means (k=5)',
    labels={'PC1': 'Composante principale 1', 'PC2': 'Composante principale 2', 'Cluster': 'Cluster'},
    color_discrete_map=cluster_colors
)

fig.show()
In [25]:
df_cluster_0 = df_pca_filtered[df_pca_filtered['Cluster'] == 0]
df_cluster_1 = df_pca_filtered[df_pca_filtered['Cluster'] == 1]
df_cluster_2 = df_pca_filtered[df_pca_filtered['Cluster'] == 2]
df_cluster_3 = df_pca_filtered[df_pca_filtered['Cluster'] == 3]
df_cluster_4 = df_pca_filtered[df_pca_filtered['Cluster'] == 4]
In [26]:
df_pca_filtered.head()
Out[26]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone Cluster
0 -1.06 2.41 -1.37 0.14 -0.96 0.32 -0.97 -0.27 Afghanistan 0
1 0.87 -0.03 0.49 1.15 0.12 -0.28 -1.13 -0.62 Afrique du Sud 4
2 -0.70 0.57 -0.69 0.16 0.13 0.18 0.24 -0.71 Algérie 0
3 1.41 -2.33 1.50 0.94 -0.11 -0.30 -2.19 0.09 Allemagne 4
4 -0.71 0.06 -0.51 0.96 0.20 0.28 -0.51 -0.23 Angola 0
In [27]:
df_cluster_0.head()
Out[27]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone Cluster
0 -1.06 2.41 -1.37 0.14 -0.96 0.32 -0.97 -0.27 Afghanistan 0
2 -0.70 0.57 -0.69 0.16 0.13 0.18 0.24 -0.71 Algérie 0
4 -0.71 0.06 -0.51 0.96 0.20 0.28 -0.51 -0.23 Angola 0
6 0.81 0.11 0.41 -0.33 0.49 0.17 0.67 -0.19 Argentine 0
9 -0.88 0.72 -0.25 -0.67 -0.68 0.01 -0.27 0.30 Azerbaïdjan 0
In [28]:
df_cluster_2.head()
Out[28]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone Cluster
13 -1.37 0.38 1.16 -1.42 -1.96 2.94 0.12 -0.41 Bosnie-Herzégovine 2
15 -0.87 -0.45 0.89 -0.96 -0.92 1.02 0.06 -0.12 Bulgarie 2
16 -0.90 -0.07 0.86 -1.15 -1.28 2.25 0.22 -0.08 Bélarus 2
28 0.11 -1.08 1.91 -0.17 -0.60 3.76 0.31 -0.83 Espagne 2
In [29]:
df_volaille_brut.head()
Out[29]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Afghanistan 0.00 -2.79 4.16 2,956.80 57.00 0.00 29.00 55.00 2.00 28.00 57.00 36,296,113.00 2017 2.66 2.24
1 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23
2 Algérie 0.00 -0.92 1.00 13,805.40 277.00 0.00 2.00 264.00 13.00 275.00 277.00 41,389,189.00 2017 1.77 -1.56
3 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
4 Angola 0.01 -0.39 0.81 9,050.00 319.00 0.00 277.00 315.00 2.00 42.00 319.00 29,816,766.00 2017 3.32 2.80
In [30]:
df_final = df_volaille_brut[df_volaille_brut['Zone'].isin(df_cluster_2['Zone'])]
df_final.head(50)
Out[30]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
13 Bosnie-Herzégovine 0.01 -0.35 3.69 15,707.10 55.00 8.00 10.00 56.00 0.00 61.00 63.00 3,351,525.00 2017 -0.95 164.29
15 Bulgarie 0.14 0.32 2.80 25,875.60 157.00 45.00 108.00 157.00 0.00 107.00 202.00 7,102,444.00 2017 -0.61 69.45
16 Bélarus 0.03 -0.06 3.13 25,504.00 265.00 152.00 21.00 264.00 0.00 463.00 417.00 9,450,231.00 2017 -0.05 121.59
28 Espagne 0.00 0.27 0.19 45,021.80 1,497.00 212.00 205.00 1,418.00 66.00 1,515.00 1,709.00 46,647,428.00 2017 0.33 178.07
In [31]:
colonnes = "Zone"
In [32]:
df_cluster_4 = df_cluster_4['Zone']
df_cluster_4 = pd.merge(df_cluster_4, df_volaille_brut, on="Zone")
df_cluster_4.head()
Out[32]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
2 Arabie saoudite 0.00 -0.65 0.99 48,554.40 1,435.00 10.00 722.00 1,435.00 0.00 616.00 1,445.00 33,101,179.00 2017 2.49 13.21
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
4 France 0.14 0.27 0.47 53,398.30 1,573.00 501.00 506.00 1,485.00 0.00 1,750.00 2,074.00 64,842,509.00 2017 0.42 -61.47
In [33]:
len(df_cluster_4)
Out[33]:
8
In [34]:
df_cluster_4.head(len(df_cluster_4))
Out[34]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
2 Arabie saoudite 0.00 -0.65 0.99 48,554.40 1,435.00 10.00 722.00 1,435.00 0.00 616.00 1,445.00 33,101,179.00 2017 2.49 13.21
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
4 France 0.14 0.27 0.47 53,398.30 1,573.00 501.00 506.00 1,485.00 0.00 1,750.00 2,074.00 64,842,509.00 2017 0.42 -61.47
5 Fédération de Russie 0.00 -0.64 1.70 36,011.80 4,556.00 115.00 226.00 4,509.00 0.00 4,444.00 4,671.00 145,530,082.00 2017 0.12 -1.55
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97
In [35]:
df_cluster_4.describe()
Out[35]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
count 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00 8.00
mean 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 2,017.00 0.73 -7.49
std 0.09 0.66 0.65 16,065.04 1,212.25 281.28 267.97 1,181.30 32.97 1,298.64 1,092.54 45,659,515.85 0.00 0.84 23.80
min 0.00 -0.65 0.47 14,823.60 280.00 10.00 226.00 391.00 0.00 24.00 943.00 7,306,322.00 2,017.00 -0.07 -61.47
25% 0.00 -0.37 0.62 42,371.28 1,538.50 49.75 512.00 1,472.50 0.00 1,289.50 1,916.75 51,032,611.75 2,017.00 0.15 -7.53
50% 0.00 0.33 0.91 50,976.35 1,928.50 237.00 750.50 1,822.00 0.00 1,708.50 2,283.00 65,784,985.00 2,017.00 0.52 -1.97
75% 0.13 0.63 1.48 55,440.15 2,279.25 537.25 858.25 2,188.00 14.00 1,914.25 2,467.00 93,869,488.00 2,017.00 0.91 3.36
max 0.23 1.10 2.35 65,662.70 4,556.00 663.00 1,069.00 4,509.00 83.00 4,444.00 4,671.00 145,530,082.00 2,017.00 2.49 13.21
In [36]:
df_cluster_1 = df_cluster_1['Zone']
df_cluster_1 = pd.merge(df_cluster_1, df_volaille_brut, on="Zone")
df_cluster_1.describe()
Out[36]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
count 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00 27.00
mean 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 2,017.00 0.90 -2.44
std 0.48 0.40 1.75 17,967.89 410.68 223.13 96.97 410.62 6.13 562.79 536.85 15,349,459.33 0.00 1.49 10.96
min 0.00 -0.08 -3.60 9,990.60 52.00 0.00 1.00 51.00 0.00 7.00 76.00 1,384,059.00 2,017.00 -1.26 -36.27
25% 0.00 0.41 0.16 36,570.15 121.00 14.00 37.50 113.00 0.00 96.00 143.50 4,727,656.50 2,017.00 0.27 -2.32
50% 0.02 0.85 0.61 46,530.10 173.00 35.00 82.00 164.00 0.00 157.00 221.00 8,819,901.00 2,017.00 0.50 -0.29
75% 0.09 1.01 1.56 60,415.40 368.50 104.50 129.50 363.50 0.00 478.00 646.50 11,030,391.00 2,017.00 1.02 1.05
max 2.34 1.56 3.76 85,225.20 1,433.00 1,025.00 433.00 1,433.00 27.00 2,351.00 2,181.00 60,673,701.00 2,017.00 4.96 17.68
In [37]:
df_cluster_0 = df_cluster_0['Zone']
df_cluster_0 = pd.merge(df_cluster_0, df_volaille_brut, on="Zone")
df_cluster_0.describe()
Out[37]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
count 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00 59.00
mean 1.70 -0.65 2.62 12,398.58 518.32 32.83 53.22 473.46 18.92 505.24 551.15 40,140,934.85 2,017.00 1.64 inf
std 12.09 0.73 1.62 9,470.40 632.54 123.21 89.24 577.69 47.48 678.16 678.98 52,264,515.96 0.00 1.02 NaN
min 0.00 -2.79 -1.02 1,510.40 52.00 0.00 0.00 52.00 0.00 4.00 52.00 2,064,823.00 2,017.00 -0.65 -128.01
25% 0.00 -0.98 1.50 4,967.95 86.00 0.00 1.50 84.00 0.00 64.50 89.50 10,179,212.00 2,017.00 1.06 -6.37
50% 0.01 -0.57 2.70 10,184.00 202.00 0.00 12.00 195.00 2.00 171.00 202.00 21,128,032.00 2,017.00 1.50 -0.30
75% 0.07 -0.08 3.75 16,462.60 691.00 4.00 72.00 558.50 11.00 695.50 693.00 42,663,164.50 2,017.00 2.58 3.36
max 92.94 0.60 7.45 42,936.40 2,323.00 796.00 470.00 2,220.00 316.00 2,301.00 2,323.00 264,650,963.00 2,017.00 4.00 inf
In [38]:
df_cluster_2 = df_cluster_2['Zone']
df_cluster_2 = pd.merge(df_cluster_2, df_volaille_brut, on="Zone")
df_cluster_2.describe()
Out[38]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
count 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00 4.00
mean 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 2,017.00 -0.32 133.35
std 0.06 0.31 1.55 12,269.16 674.47 94.28 90.64 635.20 33.00 676.62 755.01 20,163,391.23 0.00 0.57 48.92
min 0.00 -0.35 0.19 15,707.10 55.00 8.00 10.00 56.00 0.00 61.00 63.00 3,351,525.00 2,017.00 -0.95 69.45
25% 0.01 -0.13 2.15 23,054.78 131.50 35.75 18.25 131.75 0.00 95.50 167.25 6,164,714.25 2,017.00 -0.69 108.56
50% 0.02 0.11 2.96 25,689.80 211.00 98.50 64.50 210.50 0.00 285.00 309.50 8,276,337.50 2,017.00 -0.33 142.94
75% 0.06 0.28 3.27 30,662.15 573.00 167.00 132.25 552.50 16.50 726.00 740.00 18,749,530.25 2,017.00 0.04 167.74
max 0.14 0.32 3.69 45,021.80 1,497.00 212.00 205.00 1,418.00 66.00 1,515.00 1,709.00 46,647,428.00 2,017.00 0.33 178.07
In [39]:
colonnes = ["Zone", "Cluster"]
In [40]:
df_pca_filtered = df_pca_filtered[colonnes]
In [41]:
df_pca_filtered.head()
Out[41]:
Zone Cluster
0 Afghanistan 0
1 Afrique du Sud 4
2 Algérie 0
3 Allemagne 4
4 Angola 0
In [42]:
df_cluster_global = pd.merge(df_volaille_brut, df_pca_filtered, on="Zone")
In [43]:
df_cluster_global.head()
Out[43]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en % Cluster
0 Afghanistan 0.00 -2.79 4.16 2,956.80 57.00 0.00 29.00 55.00 2.00 28.00 57.00 36,296,113.00 2017 2.66 2.24 0
1 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23 4
2 Algérie 0.00 -0.92 1.00 13,805.40 277.00 0.00 2.00 264.00 13.00 275.00 277.00 41,389,189.00 2017 1.77 -1.56 0
3 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63 4
4 Angola 0.01 -0.39 0.81 9,050.00 319.00 0.00 277.00 315.00 2.00 42.00 319.00 29,816,766.00 2017 3.32 2.80 0
In [44]:
counts = df_cluster_global['Cluster'].value_counts()
print(counts)

Cluster
0    59
1    27
4     8
2     4
3     1
Name: count, dtype: int64
In [45]:
df_cluster_global = pd.merge(df_cluster_global, counts, on="Cluster")
df_cluster_global.head()
Out[45]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en % Cluster count
0 Afghanistan 0.00 -2.79 4.16 2,956.80 57.00 0.00 29.00 55.00 2.00 28.00 57.00 36,296,113.00 2017 2.66 2.24 0 59
1 Algérie 0.00 -0.92 1.00 13,805.40 277.00 0.00 2.00 264.00 13.00 275.00 277.00 41,389,189.00 2017 1.77 -1.56 0 59
2 Angola 0.01 -0.39 0.81 9,050.00 319.00 0.00 277.00 315.00 2.00 42.00 319.00 29,816,766.00 2017 3.32 2.80 0 59
3 Argentine 0.00 0.16 1.32 28,499.00 1,962.00 207.00 8.00 1,856.00 106.00 2,161.00 2,169.00 43,937,140.00 2017 0.94 0.00 0 59
4 Azerbaïdjan 0.02 -0.75 3.94 19,676.00 129.00 0.00 27.00 129.00 0.00 104.00 129.00 9,845,320.00 2017 1.10 5.90 0 59
In [46]:
df_cluster_global = df_cluster_global.drop(columns=['Zone', 'Année'])
df_cluster_global = df_cluster_global.groupby('Cluster').mean()
df_cluster_global = df_cluster_global.round(2)
df_cluster_global.head()
Out[46]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population croissance de la population en % croissance de la stabilité politique en % count
Cluster
0 1.70 -0.65 2.62 12,398.58 518.32 32.83 53.22 473.46 18.92 505.24 551.15 40,140,934.85 1.64 NaN 59.00
1 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 0.90 -2.44 27.00
2 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 -0.32 133.35 4.00
3 149.42 -0.81 0.39 22,162.20 4,219.00 9.00 972.00 4,058.00 161.00 3,249.00 4,228.00 124,777,324.00 1.24 3.16 1.00
4 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 0.73 -7.49 8.00
In [47]:
df_cluster_global = df_cluster_global.fillna(0)
In [48]:
df_cluster_global.head()
Out[48]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population croissance de la population en % croissance de la stabilité politique en % count
Cluster
0 1.70 -0.65 2.62 12,398.58 518.32 32.83 53.22 473.46 18.92 505.24 551.15 40,140,934.85 1.64 0.00 59.00
1 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 0.90 -2.44 27.00
2 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 -0.32 133.35 4.00
3 149.42 -0.81 0.39 22,162.20 4,219.00 9.00 972.00 4,058.00 161.00 3,249.00 4,228.00 124,777,324.00 1.24 3.16 1.00
4 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 0.73 -7.49 8.00
In [49]:
df_cluster_global[['count']].plot(kind='bar')
Out[49]:
<Axes: xlabel='Cluster'>
In [50]:
fig = px.bar(df_cluster_global, x=df_cluster_global.index, y="count",color=df_cluster_global.index.astype(str),
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5))

fig.show()
In [51]:
fig = px.bar(df_cluster_global, x=df_cluster_global.index, y="Population",color=df_cluster_global.index.astype(str),
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5))

fig.show()
In [52]:
fig = px.bar(df_cluster_global, x=df_cluster_global.index, y="Stabilité politique en 2017",color=df_cluster_global.index.astype(str),
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5))

fig.show()
In [53]:
df_cluster_global[['PIB par habitant']].plot(kind='bar')
Out[53]:
<Axes: xlabel='Cluster'>
In [54]:
df_cluster_global = df_cluster_global[~df_cluster_global.index.isin([0, 3])]
df_cluster_global.head()
Out[54]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population croissance de la population en % croissance de la stabilité politique en % count
Cluster
1 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 0.90 -2.44 27.00
2 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 -0.32 133.35 4.00
4 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 0.73 -7.49 8.00
In [55]:
fig = px.bar(df_cluster_global, x=df_cluster_global.index.astype(str), y='PIB par habitant',color=df_cluster_global.index.astype(str),
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster", "x":"Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        tickmode='array',
        tickvals=df_cluster_global.index.tolist()
    ))

fig.show()
In [56]:
fig = px.bar(df_cluster_global, x=df_cluster_global.index.astype(str), y='Disponibilité intérieure',color=df_cluster_global.index.astype(str),
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster", "x":"Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        tickmode='array',
        tickvals=df_cluster_global.index.tolist()
    ))

fig.show()
In [57]:
fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_cluster_global.index,
        y=df_cluster_global[col]
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        type='category'
    ),barmode='stack'
                 )

fig.show()
In [58]:
df_cluster_global.head()
Out[58]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population croissance de la population en % croissance de la stabilité politique en % count
Cluster
1 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 0.90 -2.44 27.00
2 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 -0.32 133.35 4.00
4 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 0.73 -7.49 8.00
In [174]:
df_cluster_global['pourcentage importation'] = df_cluster_global['Importations - Quantité'] / df_cluster_global['Disponibilité intérieure'] * 100
df_cluster_global
Out[174]:
émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population croissance de la population en % croissance de la stabilité politique en % count pourcentage importation
Cluster
1 0.17 0.74 0.73 49,668.63 368.48 115.52 99.56 361.96 1.67 419.30 484.00 13,637,731.93 0.90 -2.44 27.00 27.02
2 0.04 0.05 2.45 28,027.12 493.50 104.25 86.00 473.75 16.50 536.50 597.75 16,637,907.00 -0.32 133.35 4.00 17.43
4 0.06 0.20 1.12 47,238.06 2,043.75 295.88 695.62 1,994.25 17.38 1,755.50 2,339.62 73,084,805.38 0.73 -7.49 8.00 34.04
In [60]:
df_cluster_4
Out[60]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Afrique du Sud 0.00 -0.28 0.82 14,823.60 2,118.00 63.00 514.00 2,035.00 83.00 1,667.00 2,181.00 57,009,756.00 2017 1.36 -16.23
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
2 Arabie saoudite 0.00 -0.65 0.99 48,554.40 1,435.00 10.00 722.00 1,435.00 0.00 616.00 1,445.00 33,101,179.00 2017 2.49 13.21
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
4 France 0.14 0.27 0.47 53,398.30 1,573.00 501.00 506.00 1,485.00 0.00 1,750.00 2,074.00 64,842,509.00 2017 0.42 -61.47
5 Fédération de Russie 0.00 -0.64 1.70 36,011.80 4,556.00 115.00 226.00 4,509.00 0.00 4,444.00 4,671.00 145,530,082.00 2017 0.12 -1.55
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97
In [61]:
fig = px.bar(df_cluster_4, x="Stabilité politique en 2017", y='Zone',color=df_cluster_4['Zone'],
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Pays", "x":"Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=1200, height=500, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        tickmode='array',
        tickvals=df_cluster_4.index.tolist(),
        tickangle=-45
    ))

fig.show()
In [62]:
df_cluster_4_filtered = df_cluster_4.loc[df_cluster_4['Stabilité politique en 2017'] > 0]
df_cluster_4_filtered
Out[62]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
4 France 0.14 0.27 0.47 53,398.30 1,573.00 501.00 506.00 1,485.00 0.00 1,750.00 2,074.00 64,842,509.00 2017 0.42 -61.47
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97
In [63]:
df_cluster_2
Out[63]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Bosnie-Herzégovine 0.01 -0.35 3.69 15,707.10 55.00 8.00 10.00 56.00 0.00 61.00 63.00 3,351,525.00 2017 -0.95 164.29
1 Bulgarie 0.14 0.32 2.80 25,875.60 157.00 45.00 108.00 157.00 0.00 107.00 202.00 7,102,444.00 2017 -0.61 69.45
2 Bélarus 0.03 -0.06 3.13 25,504.00 265.00 152.00 21.00 264.00 0.00 463.00 417.00 9,450,231.00 2017 -0.05 121.59
3 Espagne 0.00 0.27 0.19 45,021.80 1,497.00 212.00 205.00 1,418.00 66.00 1,515.00 1,709.00 46,647,428.00 2017 0.33 178.07
In [64]:
def barplot(df, x, y):
    fig = px.bar(df, x=x, y=y,color=df_cluster_2.index.astype(str),
                 color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster", "x":"Cluster"})
    
    fig.update_traces(width=0.5)
    fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5),     
        xaxis=dict(
            tickmode='array',
            tickvals=df_cluster_2.index.tolist()
        ))
    
    fig.show()
barplot(df_cluster_2, "Zone", "PIB par habitant")
In [65]:
fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_cluster_2['Zone'],
        y=df_cluster_2[col]
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        type='category'
    ),barmode='stack'
                 )

fig.show()
In [66]:
df_cluster_4_filtered
Out[66]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
4 France 0.14 0.27 0.47 53,398.30 1,573.00 501.00 506.00 1,485.00 0.00 1,750.00 2,074.00 64,842,509.00 2017 0.42 -61.47
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97
In [67]:
df_cluster_4_filtered = df_cluster_4_filtered[df_cluster_4_filtered["Zone"] != "France"]
df_cluster_4_filtered
Out[67]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97
In [68]:
fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_cluster_4_filtered[col],
        y=df_cluster_4_filtered["Zone"],
        orientation='h'
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=1000, height=400, bargap=0.05, margin=dict(l=5, r=5), barmode='stack')


fig.show()
In [69]:
df_cluster_4_filtered['pourcentage importation'] = df_cluster_4_filtered['Importations - Quantité']/( df_cluster_4_filtered['Production'] + df_cluster_4_filtered['Importations - Quantité']) * 100
df_cluster_4_filtered
Out[69]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en % pourcentage importation
1 Allemagne 0.00 0.57 1.41 61,563.60 1,739.00 646.00 842.00 1,609.00 0.00 1,514.00 2,385.00 82,658,409.00 2017 0.15 -4.63 35.74
3 Chine - RAS de Hong-Kong 0.00 0.82 2.35 65,662.70 280.00 663.00 907.00 391.00 0.00 24.00 943.00 7,306,322.00 2017 0.62 -2.38 97.42
6 Japon 0.12 1.10 0.64 44,491.10 2,415.00 10.00 1,069.00 2,359.00 56.00 2,215.00 2,425.00 127,502,725.00 2017 -0.07 0.16 32.55
7 Royaume-Uni de Grande-Bretagne et d'Irlande du... 0.23 0.38 0.56 53,399.00 2,234.00 359.00 779.00 2,131.00 0.00 1,814.00 2,593.00 66,727,461.00 2017 0.76 12.97 30.04
In [70]:
df_pca_outliers
Out[70]:
PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 Zone
14 10.37 0.09 -4.00 -1.09 0.31 -2.36 0.28 0.04 Brésil
40 4.48 8.52 7.22 0.19 4.75 -0.08 0.60 -0.36 Inde
84 -1.48 2.19 -4.58 4.71 3.48 3.11 -0.13 3.41 Soudan
102 15.08 -1.28 -2.04 -1.35 -0.80 2.67 0.53 0.34 États-Unis d'Amérique
In [71]:
df_pca_outliers = df_pca_outliers['Zone']
df_pca_outliers.head()
Out[71]:
14                    Brésil
40                      Inde
84                    Soudan
102    États-Unis d'Amérique
Name: Zone, dtype: object
In [72]:
df_outliers = pd.merge(df_volaille_brut, df_pca_outliers, on="Zone")
In [73]:
df_outliers
Out[73]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Brésil 0.07 -0.48 1.13 17,145.30 9,982.00 4,223.00 3.00 9,982.00 0.00 14,201.00 14,205.00 207,833,823.00 2017 0.83 -186.71
1 Inde 0.02 -0.77 5.40 7,363.80 3,661.00 4.00 0.00 2,965.00 695.00 3,545.00 3,665.00 1,338,676,785.00 2017 1.15 -2.32
2 Soudan 0.03 -1.97 -0.39 4,264.10 69.00 0.00 2.00 65.00 3.00 67.00 69.00 40,813,397.00 2017 22.25 -0.40
3 États-Unis d'Amérique 0.66 0.26 0.74 66,105.70 18,266.00 3,692.00 123.00 18,100.00 0.00 21,914.00 21,958.00 325,084,756.00 2017 0.73 -1.79
In [74]:
fig = px.bar(df_outliers, x=df_outliers['Zone'], y="Stabilité politique en 2017",color=df_outliers['Zone'],
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=500, height=500, bargap=0.05, margin=dict(l=5, r=5))

fig.show()
In [75]:
fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_outliers[col],
        y=df_outliers["Zone"],
        orientation='h'
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=1000, height=400, bargap=0.05, margin=dict(l=5, r=5), barmode='stack')


fig.show()
In [76]:
df_cluster_1
Out[76]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en %
0 Australie 0.01 0.88 1.05 56,028.40 1,171.00 42.00 16.00 1,171.00 0.00 1,269.00 1,213.00 24,584,620.00 2017 1.50 -0.05
1 Autriche 0.02 1.03 0.60 63,840.40 173.00 78.00 110.00 160.00 0.00 148.00 251.00 8,819,901.00 2017 0.54 0.38
2 Belgique 0.02 0.42 0.61 60,044.60 152.00 656.00 338.00 144.00 0.00 463.00 808.00 11,419,748.00 2017 0.60 -4.87
3 Canada 0.05 1.09 0.58 55,589.80 1,433.00 163.00 182.00 1,433.00 0.00 1,417.00 1,596.00 36,732,095.00 2017 1.01 0.95
4 Chili 0.12 0.41 2.22 28,155.10 672.00 115.00 155.00 672.00 0.00 712.00 787.00 18,470,439.00 2017 1.05 -0.94
5 Danemark 0.00 0.85 0.36 65,783.50 167.00 139.00 133.00 166.00 0.00 173.00 306.00 5,732,274.00 2017 0.42 -1.65
6 Finlande 0.05 1.06 0.28 56,605.50 111.00 12.00 16.00 103.00 0.00 129.00 123.00 5,511,371.00 2017 0.35 -2.88
7 Grèce 0.02 -0.08 -2.12 31,874.90 178.00 29.00 79.00 162.00 0.00 246.00 207.00 10,569,450.00 2017 -0.47 -21.61
8 Hongrie 0.00 0.80 1.41 33,940.30 266.00 210.00 58.00 246.00 18.00 493.00 476.00 9,729,823.00 2017 -0.27 -0.18
9 Irlande 0.13 0.99 2.91 85,225.20 128.00 93.00 99.00 123.00 0.00 110.00 221.00 4,753,279.00 2017 1.01 -1.18
10 Italie 0.23 0.29 -0.67 48,761.90 1,173.00 183.00 97.00 1,146.00 0.00 1,315.00 1,356.00 60,673,701.00 2017 0.27 -3.43
11 Jamaïque 0.00 0.30 -0.35 9,990.60 152.00 1.00 31.00 149.00 0.00 128.00 153.00 2,920,848.00 2017 0.49 17.68
12 Koweït 0.00 -0.05 -3.60 52,805.30 189.00 4.00 137.00 188.00 0.00 56.00 193.00 4,056,099.00 2017 4.38 -36.27
13 Lituanie 0.00 0.77 3.76 39,736.10 82.00 68.00 44.00 80.00 0.00 118.00 150.00 2,845,414.00 2017 -1.26 -0.18
14 Norvège 0.00 1.15 0.19 85,144.10 102.00 0.00 2.00 101.00 0.00 101.00 102.00 5,296,326.00 2017 1.03 -0.50
15 Nouvelle-Zélande 0.21 1.56 1.01 46,530.10 168.00 23.00 1.00 164.00 0.00 223.00 191.00 4,702,034.00 2017 0.97 2.25
16 Oman 0.02 0.75 -0.79 38,844.30 114.00 16.00 126.00 101.00 0.00 7.00 130.00 4,665,928.00 2017 4.96 1.15
17 Pologne 0.01 0.51 3.75 34,689.40 1,156.00 1,025.00 55.00 1,150.00 27.00 2,351.00 2,181.00 37,953,180.00 2017 -0.09 7.68
18 Portugal 0.04 1.11 0.46 38,100.70 325.00 44.00 82.00 315.00 0.00 361.00 369.00 10,288,527.00 2017 -0.21 2.16
19 République de Corée 2.34 0.38 2.89 44,928.10 854.00 6.00 137.00 854.00 0.00 838.00 860.00 51,096,415.00 2017 0.35 10.28
20 Slovaquie 0.19 0.90 3.07 35,039.60 74.00 35.00 63.00 76.00 0.00 71.00 109.00 5,447,900.00 2017 0.08 2.63
21 Slovénie 0.00 0.87 1.05 42,331.50 52.00 29.00 20.00 51.00 0.00 72.00 81.00 2,076,394.00 2017 0.28 -1.65
22 Suisse 0.00 1.24 0.69 78,328.10 133.00 4.00 51.00 133.00 0.00 91.00 137.00 8,455,804.00 2017 1.04 -0.12
23 Suède 1.07 0.97 0.89 60,786.20 187.00 23.00 84.00 164.00 0.00 157.00 210.00 9,904,896.00 2017 0.71 -2.31
24 Tchéquie 0.00 0.99 1.71 46,137.00 249.00 27.00 116.00 234.00 0.00 163.00 276.00 10,641,034.00 2017 0.27 -0.29
25 Trinité-et-Tobago 0.00 0.27 0.12 31,763.70 76.00 0.00 23.00 75.00 0.00 61.00 76.00 1,384,059.00 2017 0.50 -30.70
26 Émirats arabes unis 0.00 0.60 -2.29 70,048.50 412.00 94.00 433.00 412.00 0.00 48.00 506.00 9,487,203.00 2017 4.85 -2.33
In [77]:
df_cluster_1_sort_by_stab_politique = df_cluster_1.sort_values(by="Stabilité politique en 2017", ascending=True)

fig = px.bar(df_cluster_1_sort_by_stab_politique, x="Stabilité politique en 2017", y='Zone',color=df_cluster_1['Zone'],
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Pays", "x":"Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=1200, height=700, bargap=0.05, margin=dict(l=5, r=5),     
    xaxis=dict(
        tickmode='array',
        tickangle=-45
    ))

fig.show()
In [78]:
df_cluster_1 = df_cluster_1.loc[df_cluster_1['Stabilité politique en 2017'] >= 0]
In [79]:
df_cluster_1_sort_by_pib = df_cluster_1.sort_values(by="PIB par habitant", ascending=True)

fig = px.bar(df_cluster_1_sort_by_pib, x="PIB par habitant", y='Zone',color=df_cluster_1['Zone'],
             color_discrete_sequence=px.colors.qualitative.Set1, labels={"color": "Pays", "x":"Cluster"})

fig.update_traces(width=0.5)
fig.update_layout(width=1200, height=700, bargap=0.05, margin=dict(l=5, r=5))


fig.show()
In [ ]:
In [80]:
df_cluster_1_sort_by_importation = df_cluster_1.sort_values(by="Importations - Quantité", ascending=True)

fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_cluster_1_sort_by_importation[col],
        y=df_cluster_1_sort_by_importation["Zone"],
        orientation='h'
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=1000, height=600, bargap=0.05, margin=dict(l=5, r=5), barmode='stack')


fig.show()
In [81]:
df_cluster_1_sort_by_importation['pourcentage importation'] = df_cluster_1_sort_by_importation['Importations - Quantité']/( df_cluster_1_sort_by_importation['Production'] + df_cluster_1_sort_by_importation['Importations - Quantité']) * 100
df_cluster_1_sort_by_importation
Out[81]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en % pourcentage importation
15 Nouvelle-Zélande 0.21 1.56 1.01 46,530.10 168.00 23.00 1.00 164.00 0.00 223.00 191.00 4,702,034.00 2017 0.97 2.25 0.45
14 Norvège 0.00 1.15 0.19 85,144.10 102.00 0.00 2.00 101.00 0.00 101.00 102.00 5,296,326.00 2017 1.03 -0.50 1.94
6 Finlande 0.05 1.06 0.28 56,605.50 111.00 12.00 16.00 103.00 0.00 129.00 123.00 5,511,371.00 2017 0.35 -2.88 11.03
0 Australie 0.01 0.88 1.05 56,028.40 1,171.00 42.00 16.00 1,171.00 0.00 1,269.00 1,213.00 24,584,620.00 2017 1.50 -0.05 1.25
21 Slovénie 0.00 0.87 1.05 42,331.50 52.00 29.00 20.00 51.00 0.00 72.00 81.00 2,076,394.00 2017 0.28 -1.65 21.74
25 Trinité-et-Tobago 0.00 0.27 0.12 31,763.70 76.00 0.00 23.00 75.00 0.00 61.00 76.00 1,384,059.00 2017 0.50 -30.70 27.38
11 Jamaïque 0.00 0.30 -0.35 9,990.60 152.00 1.00 31.00 149.00 0.00 128.00 153.00 2,920,848.00 2017 0.49 17.68 19.50
13 Lituanie 0.00 0.77 3.76 39,736.10 82.00 68.00 44.00 80.00 0.00 118.00 150.00 2,845,414.00 2017 -1.26 -0.18 27.16
22 Suisse 0.00 1.24 0.69 78,328.10 133.00 4.00 51.00 133.00 0.00 91.00 137.00 8,455,804.00 2017 1.04 -0.12 35.92
17 Pologne 0.01 0.51 3.75 34,689.40 1,156.00 1,025.00 55.00 1,150.00 27.00 2,351.00 2,181.00 37,953,180.00 2017 -0.09 7.68 2.29
8 Hongrie 0.00 0.80 1.41 33,940.30 266.00 210.00 58.00 246.00 18.00 493.00 476.00 9,729,823.00 2017 -0.27 -0.18 10.53
20 Slovaquie 0.19 0.90 3.07 35,039.60 74.00 35.00 63.00 76.00 0.00 71.00 109.00 5,447,900.00 2017 0.08 2.63 47.01
18 Portugal 0.04 1.11 0.46 38,100.70 325.00 44.00 82.00 315.00 0.00 361.00 369.00 10,288,527.00 2017 -0.21 2.16 18.51
23 Suède 1.07 0.97 0.89 60,786.20 187.00 23.00 84.00 164.00 0.00 157.00 210.00 9,904,896.00 2017 0.71 -2.31 34.85
10 Italie 0.23 0.29 -0.67 48,761.90 1,173.00 183.00 97.00 1,146.00 0.00 1,315.00 1,356.00 60,673,701.00 2017 0.27 -3.43 6.87
9 Irlande 0.13 0.99 2.91 85,225.20 128.00 93.00 99.00 123.00 0.00 110.00 221.00 4,753,279.00 2017 1.01 -1.18 47.37
1 Autriche 0.02 1.03 0.60 63,840.40 173.00 78.00 110.00 160.00 0.00 148.00 251.00 8,819,901.00 2017 0.54 0.38 42.64
24 Tchéquie 0.00 0.99 1.71 46,137.00 249.00 27.00 116.00 234.00 0.00 163.00 276.00 10,641,034.00 2017 0.27 -0.29 41.58
16 Oman 0.02 0.75 -0.79 38,844.30 114.00 16.00 126.00 101.00 0.00 7.00 130.00 4,665,928.00 2017 4.96 1.15 94.74
5 Danemark 0.00 0.85 0.36 65,783.50 167.00 139.00 133.00 166.00 0.00 173.00 306.00 5,732,274.00 2017 0.42 -1.65 43.46
19 République de Corée 2.34 0.38 2.89 44,928.10 854.00 6.00 137.00 854.00 0.00 838.00 860.00 51,096,415.00 2017 0.35 10.28 14.05
4 Chili 0.12 0.41 2.22 28,155.10 672.00 115.00 155.00 672.00 0.00 712.00 787.00 18,470,439.00 2017 1.05 -0.94 17.88
3 Canada 0.05 1.09 0.58 55,589.80 1,433.00 163.00 182.00 1,433.00 0.00 1,417.00 1,596.00 36,732,095.00 2017 1.01 0.95 11.38
2 Belgique 0.02 0.42 0.61 60,044.60 152.00 656.00 338.00 144.00 0.00 463.00 808.00 11,419,748.00 2017 0.60 -4.87 42.20
26 Émirats arabes unis 0.00 0.60 -2.29 70,048.50 412.00 94.00 433.00 412.00 0.00 48.00 506.00 9,487,203.00 2017 4.85 -2.33 90.02
In [82]:
df_cluster_1_sort_by_importation = df_cluster_1_sort_by_importation.loc[df_cluster_1_sort_by_importation['Importations - Quantité'] > 160]
df_cluster_1_sort_by_importation
Out[82]:
Zone émission N2O / production Stabilité politique en 2017 croissance du PIB en % PIB par habitant Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Disponibilité intérieure - avant export Population Année croissance de la population en % croissance de la stabilité politique en % pourcentage importation
3 Canada 0.05 1.09 0.58 55,589.80 1,433.00 163.00 182.00 1,433.00 0.00 1,417.00 1,596.00 36,732,095.00 2017 1.01 0.95 11.38
2 Belgique 0.02 0.42 0.61 60,044.60 152.00 656.00 338.00 144.00 0.00 463.00 808.00 11,419,748.00 2017 0.60 -4.87 42.20
26 Émirats arabes unis 0.00 0.60 -2.29 70,048.50 412.00 94.00 433.00 412.00 0.00 48.00 506.00 9,487,203.00 2017 4.85 -2.33 90.02
In [83]:
df_cluster_1_sort_by_importation = df_cluster_1_sort_by_importation.sort_values(by="Importations - Quantité", ascending=True)

fig = go.Figure()

for col in ['Importations - Quantité','Production']:
    fig.add_trace(go.Bar(
        name=col,
        x=df_cluster_1_sort_by_importation[col],
        y=df_cluster_1_sort_by_importation["Zone"],
        orientation='h'
    ))

fig.update_traces(width=0.5)
fig.update_layout(width=1000, height=600, bargap=0.05, margin=dict(l=5, r=5), barmode='stack')


fig.show()
In [ ]:
In [ ]: